乳腺X线图肿块计算机辅助检测系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-19页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.1.1 乳腺癌影像学检测方法 | 第8-9页 |
| 1.1.2 乳腺癌X线影像学表现 | 第9-10页 |
| 1.2 乳腺癌X线计算机辅助检测技术及相关算法 | 第10-12页 |
| 1.2.1 乳腺癌计算机辅助检测技术的临床意义 | 第10页 |
| 1.2.2 乳腺癌计算机辅助系统发展简述 | 第10-12页 |
| 1.3 乳腺肿块计算机检测算法简述 | 第12-15页 |
| 1.3.1 预处理算法 | 第12页 |
| 1.3.2 分割算法 | 第12-15页 |
| 1.4 数据基础 | 第15-17页 |
| 1.5 论文结构和内容 | 第17-19页 |
| 第二章 乳腺肿块分割 | 第19-29页 |
| 2.1 乳腺X线图像预处理 | 第19-23页 |
| 2.1.1 乳腺X线图像背景纠正 | 第19-20页 |
| 2.1.2 乳腺肿块目标的形态学滤波增强 | 第20-23页 |
| 2.2 SLIC超像素聚类分割 | 第23-27页 |
| 2.2.1 超像素方法简述 | 第23-25页 |
| 2.2.2 乳腺肿块SLIC分割 | 第25-27页 |
| 2.3 乳腺肿块分割小结 | 第27-29页 |
| 第三章 疑似肿块区域的筛选和优化 | 第29-38页 |
| 3.1 肿块疑似区域的筛选 | 第29-32页 |
| 3.2 基于水平的肿块边界优化 | 第32-37页 |
| 3.2.1 基于边界的肿块检测方法 | 第32-33页 |
| 3.2.2 水平集方法 | 第33-36页 |
| 3.2.3 DRLSE方法优化捕捉边缘 | 第36-37页 |
| 3.3 疑似区域筛选及优化小结 | 第37-38页 |
| 第四章 基于组合支持向量机的分类检测 | 第38-52页 |
| 4.1 肿块特征选取及量化 | 第38-42页 |
| 4.1.1 乳腺肿块形状和尺寸特征提取 | 第39-40页 |
| 4.1.2 乳腺肿块的亮度和纹理特征 | 第40-42页 |
| 4.2 基于EUS SVMs的肿块分类方法 | 第42-47页 |
| 4.2.1 机器学习算法简述 | 第42-43页 |
| 4.2.2 支持向量机基本原理 | 第43-45页 |
| 4.2.3 组合降采样学习机EUS SVMs | 第45-47页 |
| 4.3 分类检测结果评价及分析 | 第47-52页 |
| 4.3.1 分类检测结果 | 第47-50页 |
| 4.3.2 系统评价及讨论 | 第50-52页 |
| 第五章 总结与展望 | 第52-55页 |
| 5.1 本文总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 发表论文和参加科研情况说明 | 第60-61页 |
| 致谢 | 第61-62页 |
